it电影推荐算法

『壹』 学IT的，写了一个电影推荐系统，但是为什么评分预测值大于五

全文以“预测电影评分”例子展开

r(i,j)=0则表明user_j没有对movie_i 没有评分，

推荐系统要做的就是通过预测user_j对这些movie {i|r(i,j)=0}的评分来给user_j 推荐其可能会喜欢的电影<预测评分较高的movie>

=======================================二、基于内容的推荐=======================================

对每个movie_i引入特征x(i)=(x1, x2)，这种特征可能表明user对movie类型的偏好：浪漫or动作等

对于每个user引入一个参数theta，然后对评分矩阵的每列(对应一个user)做线性回归，数据是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像机器学习一样，x(i)添加个1变量x(i)=(1, x1, x2)

那么对于未评分的movie_t，我们可以使用线性回归训练的参数theta与对应特征x(t)做内积来得到其预测评分

对每个用户都训练一个参数theta_j，优化模型如下：

优化算法：注意正则项是不约束x(i)=(1, x1, x2)中1对应的参数theta的第一项theta0，所以k=0与k=1,2分别对待

=======================================三、协同过滤=======================================

现在换个角度：如果知道theta for all user j，如何来预测x(i) = (x1, x2) all i

仍然可以使用线性回归，为训练每个x(i)，需要评分矩阵的第i行数据{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5说明user_j喜欢romance类movie， theta2=5说明user_j喜欢action类movie，只能有一个等于5哦，

我觉得也可以是：theta_j = (0, 4, 1) ；喜欢romance 4 action 1.

对应的优化：

协同过滤：交替优化theta与x

=========================================四、协同过滤算法=======================================

优化：

优化：注意去掉了theta和x的添加项

=========================================五、实现细节补充=======================================

实现细节：

如果有user没有对任何电影评分或者所有评分的电影都是0分，那么所学习到的参数是零向量，

则预测都是0值，这是不合理的。通过 将评分矩阵减去其行均值再进行线性回归来“避免”这种情况

=========================================六、一点思考==========================================

协同过滤那块，同时优化theta、x，这样得到的theta、x还有特定的意义<比如：x是否还表征对影视类型的喜爱与否>没有？

回归中，在x数据上不添加1-feature是不是因为后来引入的平均值化；如果不是，那会对结果有什么影响？

用x-feature来表征一个movie，x-feature的各分量的可解释性；应该会有一部分user应为演员的缘故有一些"偏爱"。

这里，讲的"基于内容的推荐"与"协同过滤"跟以前对这两个词的认识/所指内容不同，查清楚、搞明白。

这周还会再更一篇关于此节课的算法实现，会对上述部分问题做出回答。

『贰』 有哪些关于 IT 的电影值得推荐

推荐两部电影：

模仿游戏
我是谁：没有绝对安全的系统

还有几部纪录片：

互联网之子
第四公民
zero day
操作系统革命
代码

『叁』 推荐介绍一部讲述IT或者是硅谷科技的电视剧，电影也可。

IT精英 硅谷精英 都是电影 很好看

『肆』 求有关IT业的电影，谢谢各位。。。

IT狂人 The IT Crowd (2006)9.1 英剧，这部强推，真的很好看。
导演：格拉汉姆·莱因汉 主演：克里斯·奥多德 理查德·阿尤阿德 凯瑟琳·帕金森
全剧故事围绕IT部的叁大狂人铺开，讲尽英式笑话，行为之疯狂、癫狂、抓狂难有对手，由头到脚底板，无不喷发出无厘头的低趣味的很雷人的恶俗之风。

网络惊魂 The Net (1995)7.2 网络上身 | 网络
导演：艾文·温克勒 主演：桑德拉·布洛克 杰瑞米·诺森 丹尼斯·米勒 ...
讲述了一个悬念十足的惊悚故事，有着与众多惊悚片相似的主题，明显印着从《西北偏北》、《伸冤记》到《塘鹅暗杀令》的影子。

『伍』 请大伙推荐一些好看的电影，关于IT，计算机，网络之类的。谢谢！

《秋日传奇》《尼克松》
罗伯特•德尼罗
《远大前程》
《美国往事》《教父2》
《鬼计神偷》《盗火线》《愤怒的公牛》
达斯丁•霍夫曼
《深海圆疑》《恐怖地带》
《雨人》《沉睡者》
《毕业生》《午夜牛郎》《小巨人》
阿尔帕西诺
《教父》1、2、3
《闻香识女人》
《盗火线》《魔鬼代言人》
布拉德•皮特

『陆』 有哪些和IT有关的美剧推荐

Chuck，主角就是搞电脑的。

NCIS、NCIS:LA、Criminal Minds，还有所有的CSI，这些侦破队伍里基本都有IT高手，还是超强的那种。

现在还可以再加个 Scorpion，一群高智商天才用IT技术拯救世界。

和 Intelligence，大脑里植入芯片的超级电脑人，也在拯救世界。

『柒』 有哪些和IT相关的电影、电视剧

和It相关的电视剧有很多，比如黑客帝国了，还有一些关于电子方向的和it方向的电视剧，等等，我们都会通过这些方向来，想自己是不是也可以有黑科技式的国家，对于自己的it行业有很大的丰富的理解。

『捌』 求问 现在有没有什么电影是关于数据库的电影 IT方面的

东野圭吾的白金数据

『玖』 阅读、电影和音乐的推荐算法，哪一个更难做

“阅读、电影和音乐的推荐算法，哪一个更难做？为什么？”关于这一问题，小编从诸多网友的回复中为你筛选了最用心、最高赞的回答！快来看看吧~

来看看网名为“幸运的ZLT0502”的网友是怎么说的：

电影---音乐----阅读！从我的经验来看，阅读是最难做到的，其次是音乐，最简单的就是电影。当然，是在有很多数据的前提下。从几个领域的特点来看：1．电影的item数量相对较少，好的电影有很长的生命周期，加上电影社区的用户行为，视频网站或预订网站，都很好获得，所以特别适合合作过滤。即使这不是一部大热门电影，你也可以根据导演、类型、明星等制作内容。这些都是结构化的信息，所以没有难度。音乐的item比电影要多一些，生命周期也非常不同，但它也可以用于基于用户行为的协同过滤。该算法如何表达和更新用户的兴趣?如何根据兴趣标签计算推荐结果?至少我没有看到特别成功的推荐阅读应用程序。算法上，都各有难度，但阅读类的，由于分类太多，在算法上自然要更加复杂。

来看看网名为“派网友”的网友是怎么说的：

个人认为无论是基于用户行为（协同过滤），还是基于内容相似度的推荐算法，难度从高到底都依次是：音乐-阅读-电影。

对于ID为“楼船吹笛雨潇潇”网友的精彩回答，大家纷纷点赞支持，他是这么说的：

我觉得是各有所难，并不能说哪个难，哪个容易。推荐的成功率：公共决策对推荐的影响：判断价值的建议：三者各有难度，但是个人在长期的习惯中可以对其中一种或者多种情景中加以选择和实践，但这也不是一蹴而就的事情，慢慢来吧。

你赞同哪位网友的观点呢？